一種基于骨架指導(dǎo)的文字圖像矢量化方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明涉及一種基于骨架指導(dǎo)的文字圖像矢量化方法及系統(tǒng)，其步驟包括：1)對于單個(gè)文字圖像，系統(tǒng)使用形態(tài)學(xué)和各向異性擴(kuò)散算法，對圖像進(jìn)行預(yù)處理，包括筆畫連接以及邊緣平滑；2)得到文字圖像的骨架以及骨架上的關(guān)鍵點(diǎn)；3)提取出文字圖像的邊緣輪廓，將文字圖像的邊緣輪廓的曲率極值點(diǎn)分類為角點(diǎn)和連接點(diǎn)；4)使用加權(quán)的動(dòng)態(tài)規(guī)劃算法刪除多余的連接點(diǎn)；5)曲線擬合，并使得連接點(diǎn)處的曲率連續(xù)。與現(xiàn)有技術(shù)相比，本發(fā)明的矢量化方法及系統(tǒng)可以保持文字書寫風(fēng)格中的重要細(xì)節(jié)，又能同時(shí)去除筆畫輪廓上的噪聲，且完全不需要人工的干預(yù)，算法可以自動(dòng)運(yùn)行，有利于矢量化的批量運(yùn)行。
【專利說明】一種基于骨架指導(dǎo)的文字圖像矢量化方法及系統(tǒng)【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種圖像矢量化方法及系統(tǒng)，具體涉及一種圖像去噪、圖像增強(qiáng)、生成圖像骨架、邊緣檢測和曲線擬合的方法進(jìn)行基于骨架指導(dǎo)的文字圖像矢量化方法及系統(tǒng)，屬于計(jì)算機(jī)圖像處理【技術(shù)領(lǐng)域】。
【背景技術(shù)】
[0002]書法是中國上下五千年文明歷史中的珍貴文化瑰寶，被譽(yù)為:無言的詩，無行的舞，無圖的畫，無聲的樂。從甲骨文、金文演變而為大篆、小篆、隸書，至東漢、魏、晉的草書、楷書、行書諸體，書法一直散發(fā)著獨(dú)特的藝術(shù)魅力。
[0003]中國書法歷史悠久，書體沿革流變，書法藝術(shù)美麗迷人。隨著科技的發(fā)展，為了更好的保護(hù)書法作品，常常需要將其電子化。但是由于書法常常是刻在石碑，或者是用毛筆寫在宣紙上，掃描得到的書法文字都包含大量的噪聲，并且常存在筆畫斷裂的情況。這就需要矢量化算法能夠?qū)υ肼曈袠O大的魯棒性，并且在去除噪聲的同時(shí)，要選擇性的保留原有書法作品中的筆畫細(xì)節(jié)。
[0004]圖像的矢量化是指將位圖圖像轉(zhuǎn)換成矢量圖的一種技術(shù):位圖由一個(gè)一個(gè)的像素組成，伸縮后會(huì)產(chǎn)生鋸齒狀的噪聲；矢量圖是由數(shù)學(xué)公式表示的曲線組成，具有伸縮不變形。由于字體在使用的過程中常常需要不同的字號，因此幾乎所有的字庫都是用矢量化的文字輪廓表示的。 [0005]傳統(tǒng)商業(yè)公司在進(jìn)行書法文字圖像的矢量化時(shí)，為了使得矢量化的效果更好，常常加入一些人工的干預(yù)和指導(dǎo)，這就加大了矢量化的成本，并且減慢了矢量化的速度。
[0006]現(xiàn)有的自動(dòng)化矢量化方法和系統(tǒng)中，對于所有輸入的圖像都采用完全相同的處理算法，從不進(jìn)行圖像內(nèi)容分析，也不關(guān)注圖像自身的特征，導(dǎo)致這些方法很難區(qū)分出圖像中的噪聲和細(xì)節(jié)特征，如果去除所有的噪聲，那么圖像的細(xì)節(jié)也會(huì)同時(shí)被丟失；如果保留太多細(xì)節(jié)的話，噪聲會(huì)使得結(jié)果顯得很不美觀，失去了矢量化的意義。

【發(fā)明內(nèi)容】

[0007]本發(fā)明的目的在于提出了一種基于骨架指導(dǎo)的文字圖像矢量化方法和系統(tǒng)，可以有效的解決筆畫的斷裂問題，并在保持文字重要細(xì)節(jié)特征的前提下，選擇性的去除文字輪廓上的鋸齒噪聲。
[0008]為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案如下:
[0009]一種基于骨架指導(dǎo)的文字圖像矢量化的方法，其步驟包括:
[0010]I)對單個(gè)文字圖像進(jìn)行預(yù)處理，包括文字圖像的二值化、文字筆畫的連接和文字邊緣的平滑；
[0011]2)獲取預(yù)處理后單個(gè)文字圖像的骨架信息，所述骨架信息包括骨架、骨架點(diǎn)以及骨架上的關(guān)鍵點(diǎn)；
[0012]3)提取出文字圖像的邊緣輪廓，并找出邊緣輪廓上的曲率極值點(diǎn)，然后根據(jù)骨架上的關(guān)鍵點(diǎn)將曲率極值點(diǎn)劃分為:角點(diǎn)和連接點(diǎn)；
[0013]4)從上述角點(diǎn)和連接點(diǎn)中篩選出最優(yōu)的輪廓分割點(diǎn)，所述最優(yōu)的輪廓分割點(diǎn)將文字圖像的邊緣輪廓?jiǎng)澐譃槿舾奢喞?，每個(gè)單獨(dú)的輪廓段都使用一條貝塞爾曲線進(jìn)行曲線擬合，同時(shí)使曲線擬合過程中連接點(diǎn)處的曲率連續(xù)，最終得到矢量化的文字輪廓。
[0014]本發(fā)明中，對于輸入圖像的格式顏色和分辨率無任何的要求，可以是手機(jī)拍攝的圖像，也可以是掃描得到的圖像。
[0015]更進(jìn)一步，所述對單個(gè)文字圖像進(jìn)行預(yù)處理，包括以下幾個(gè)步驟:
[0016]1)圖像二值化；
[0017]2)使用數(shù)學(xué)形態(tài)學(xué)中的膨脹算法，對圖像進(jìn)行膨脹操作，連接斷裂的筆畫；
[0018]3)使用各項(xiàng)異性擴(kuò)散算法，平滑文字輪廓；
[0019]4)使用形態(tài)學(xué)中的腐蝕算法，對圖像進(jìn)行腐蝕操作，消除由于膨脹算法引起的筆畫寬度變化影響；
[0020]5)使用各項(xiàng)異性擴(kuò)散算法，進(jìn)一步的平滑文字輪廓。
[0021]進(jìn)一步地，通過骨架增長算法獲取預(yù)處理后單個(gè)文字圖像的骨架及骨架點(diǎn)，然后使用關(guān)鍵點(diǎn)檢測算法得到骨架上的關(guān)鍵點(diǎn)，所述關(guān)鍵點(diǎn)檢測算法包括Harris角點(diǎn)檢測算法。
[0022]進(jìn)一步地，使用邊緣檢測算法提取出文字圖像的邊緣輪廓及邊緣輪廓上的輪廓點(diǎn)，從所述輪廓點(diǎn)中找出邊緣輪廓中的曲率極值點(diǎn)，所述邊緣檢測算法包括Sobel算子，Canny算子。
[0023]更進(jìn)一步，所述曲率極值點(diǎn)劃分，具體包括以下步驟:
[0024]1)得到文字圖像的骨架和骨架上的關(guān)鍵點(diǎn)之后，在文字圖像的邊緣輪廓中，為骨架中的每個(gè)關(guān)鍵點(diǎn)P劃分一個(gè)半徑為DisT的圓形區(qū)域R。
[0025]2) DisT的值等于關(guān)鍵點(diǎn)P到最近d個(gè)輪廓點(diǎn)的平均距離，d為在關(guān)鍵點(diǎn)P的八鄰域中的骨架點(diǎn)的個(gè)數(shù)。這些值都可以通過算法自動(dòng)計(jì)算得到，不需要預(yù)先設(shè)定。
[0026]3)在區(qū)域R內(nèi)的曲率極值點(diǎn)被選為角點(diǎn)，剩下的曲率極值點(diǎn)作為連接點(diǎn)。
[0027]更進(jìn)一步，使用加權(quán)的動(dòng)態(tài)規(guī)劃算法對曲率極值點(diǎn)進(jìn)行篩選，得到最優(yōu)的輪廓分割點(diǎn)。具體包括:
[0028]枚舉任意兩個(gè)曲率極值點(diǎn)作為輪廓段的端點(diǎn)P[i]，P[j]，對輪廓段進(jìn)行曲線擬合，并記錄該輪廓段的最大擬合誤差。如果該最大擬合誤差小于閾值T，則可以使用一條貝塞爾曲線對這段輪廓進(jìn)行擬合，P[i+Ι]到P[j-1]的曲率極值點(diǎn)都會(huì)被刪除；否則不能刪除任何曲率極值點(diǎn)。動(dòng)態(tài)規(guī)劃算法結(jié)束后，剩下的曲率極值點(diǎn)就作為最優(yōu)的輪廓分割點(diǎn)。
[0029]進(jìn)一步地，如果輪廓段的兩個(gè)端點(diǎn)都是連接點(diǎn)的話，誤差閾值T等于Tl ;否則，誤差閾值T等于T2。且Τ1ΧT2，誤差閾值越大，被刪除的曲率極值點(diǎn)越多，輪廓的細(xì)節(jié)就被保留的越少。這就保證了，在角點(diǎn)的周圍，閾值等于T2，算法會(huì)自動(dòng)的保持更多的輪廓細(xì)節(jié)特征。
[0030]更進(jìn)一步，所述曲線擬合包括以下步驟:
[0031]1)使用最小二乘法計(jì)算貝塞爾曲線的控制點(diǎn)位置；
[0032]2)若擬合的平均誤差大于一個(gè)給定的閾值T3，則使用牛頓迭代法進(jìn)行優(yōu)化；
[0033]3)擬合的過程中，保證連接點(diǎn)處的曲率連續(xù)。[0034]可選地，所述閾值Tl優(yōu)選為3.0，T2優(yōu)選為1.5，T3優(yōu)選為0.5。
[0035]本發(fā)明還提出一種基于骨架指導(dǎo)的文字圖像矢量化系統(tǒng)，包括:
[0036]預(yù)處理模塊，用于對文字圖像進(jìn)行預(yù)處理；
[0037]骨架生成模塊，用于生成文字圖像骨架；
[0038]分類模塊，用于根據(jù)提取到的文字圖像的邊緣輪廓，將邊緣輪廓的曲率極值點(diǎn)劃分為角點(diǎn)和連接點(diǎn)；
[0039]篩選模塊，用于從曲率極值點(diǎn)中篩選出最優(yōu)的輪廓分割點(diǎn)；
[0040]曲線擬合模塊，用于將最優(yōu)的輪廓分割點(diǎn)劃分出的輪廓段擬合為貝塞爾曲線。
[0041]與現(xiàn)有技術(shù)相比，本發(fā)明的積極效果在于:
[0042]本發(fā)明利用了文字圖像最有代表性的特征——骨架作為指導(dǎo)信息，有選擇性的將一些筆畫輪廓上的細(xì)節(jié)特征區(qū)分為噪聲或者是書寫風(fēng)格，從而最大的還原出原有字體的風(fēng)格特征。相較于現(xiàn)有技術(shù)，本方法在矢量化的過程中有針對性的識(shí)別出細(xì)節(jié)和噪聲的不同，可以完整的保持原作者的書寫風(fēng)格，并且有效的消除書寫和掃描產(chǎn)生的鋸齒噪聲。另一方法，本發(fā)明在矢量化的過程中，完全不需要人工的干預(yù)，有利于圖像的批量處理。
【專利附圖】

【附圖說明】
[0043]圖1是本發(fā)明所述的基于骨架指導(dǎo)的文字矢量化方法及系統(tǒng)的流程圖；
[0044]圖2是本發(fā)明所述的預(yù)處理流程圖；
[0045]圖3是本發(fā)明所述的輸入的單個(gè)文字圖像；
[0046]圖4是本發(fā)明所述的預(yù)處理效果示意圖；
[0047]圖5是本發(fā)明所述的文字骨架圖；
[0048]圖6是本發(fā)明所述的文字輪廓的曲率極值點(diǎn)示意圖；
[0049]圖7是本發(fā)明所述的曲率極值點(diǎn)分類效果示意圖；
[0050]圖8是本發(fā)明所述的曲線擬合結(jié)果示意圖。
【具體實(shí)施方式】
[0051]下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，可以理解的是，所描述的實(shí)例僅僅是本發(fā)明的一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)的前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[0052]圖1是本發(fā)明所述的基于骨架指導(dǎo)的文字圖像矢量化方法及流程圖，具體步驟如下:
[0053]I)系統(tǒng)對單個(gè)文字圖像進(jìn)行預(yù)處理，包括圖像的二值化、筆畫的連接和邊緣的平滑，具體步驟如圖2所示，處理效果如圖4所示。
[0054]2)對于預(yù)處理后的文字圖像(見圖4)，系統(tǒng)使用骨架增長算法得到文字的骨架，骨架圖像如圖5所示。
[0055]3)提取文字圖像的輪廓，并計(jì)算曲率極值點(diǎn)。根據(jù)骨架信息的指導(dǎo)，對輪廓上的曲率極值點(diǎn)進(jìn)行分類，曲率極值點(diǎn)的示意圖如圖6所示，分類的效果如圖7所示。
[0056]4)使用動(dòng)態(tài)規(guī)劃算法，從上述曲率極值點(diǎn)(即角點(diǎn)和連接點(diǎn))中篩選出最優(yōu)的輪廓分割點(diǎn)。
[0057]5)根據(jù)最優(yōu)的輪廓分割點(diǎn)，將文字的輪廓分為若干輪廓段，針對每個(gè)單獨(dú)的輪廓段，都使用一條貝塞爾曲線來擬合進(jìn)行曲線擬合，并保證連接點(diǎn)處的曲率連續(xù)，得到矢量化的文字圖像。擬合效果如圖8所示。
[0058]圖2是本發(fā)明所述的預(yù)處理流程圖，包含以下幾個(gè)部分:
[0059]I)對輸入的圖像講行二倌化(可參考百度百科一二倌化http: //baike.baidu.com/view/983308.htm)的操作，若給定的閾值為T，那么，像素的值大于等于T的像素將被設(shè)置為白色像素，小于T的則被設(shè)置為黑色像素；
[0060]2)使用數(shù)學(xué)形態(tài)學(xué)中的膨脹算法(可參考百度百科一形態(tài)學(xué)http://baike.baidu.com/view/76767.htm中的第四部分),對圖像進(jìn)行NI次膨脹操作,連接斷裂的筆畫；
[0061]3)使用各向異性擴(kuò)散算法(可參考維基百科一各向異性擴(kuò)散算法http://en.wikipedia.0rg/wiki/Anisotropic diffusion),迭代 N2 次，平滑文字輪廓；
[0062]4)使用數(shù)學(xué)形態(tài)學(xué)中的腐蝕算法(可參考百度百科一形態(tài)學(xué)http://baike.baidu.com/view/76767.htm中的第四部分),對圖像進(jìn)行NI次腐蝕操作，消除由于膨脹算法引起的筆畫寬度變化影響；
[0063]5)使用各向異性擴(kuò)散算法(可參考維基百科一各向異性擴(kuò)散算法http://en.wikipedia.0rg/wiki/Anisotropic diffusion),迭代 N2 次，進(jìn)一步的平滑文字輪廓。
[0064]可選地，所述NI優(yōu)選為1，N2優(yōu)選為10。
[0065]預(yù)處理效果，如圖4所示，從圖4中可以看出，文字輪廓上的鋸齒狀噪聲被很好的消除了，且筆畫的斷裂現(xiàn)象得到了一定程度的修復(fù)。
[0066]圖5是本發(fā)明所述的文字骨架圖，獲取該文字骨架的具體步驟如下；
[0067]使用參考文獻(xiàn)(WangC,LianZ, Tang Y, etal.Automatic Correspondence Findingfor Chinese Characters Using Graph Matching[C]//Image and Graphics (ICIG), 2013Seventh International Conferenceon.1EEE, 2013:545-550.)中的算法得到文字的骨架以及骨架上的關(guān)鍵點(diǎn)，該算法包含以下幾個(gè)步驟:
[0068]I)骨架提取算法，得到一個(gè)原始的骨架，也可參考網(wǎng)上的資料來實(shí)現(xiàn)(http://blog.csdn.net/twowind/article/details/9094037)；
[0069]2)骨架剪枝算法，剪枝的規(guī)則在參考文獻(xiàn)中有詳細(xì)的說明。
[0070]3)骨架的關(guān)鍵點(diǎn)檢測，檢測算法可使用常用的角點(diǎn)檢測算法，可參考(http://baike.baidu.com/link?url=oN6rV0c-58gdv01NFwhf3uA9jljeEpmm78wUIJd91HF2wo_XlG-Pf742ej9rdR8rn-BIQRxSSt8g86GyHSu4U_)0
[0071]圖6是本發(fā)明所述的曲率極值點(diǎn)示意圖，圖7是根據(jù)骨架的關(guān)鍵點(diǎn)對極值點(diǎn)分類的效果示意圖，具體步驟如下:
[0072]I)使用邊緣檢測算法提取出文字的邊緣輪廓及邊緣輪廓上的所有點(diǎn)，即輪廓點(diǎn)，可采用的邊緣檢測算法有Sobel算子，Canny算子等。
[0073]2)計(jì)算每個(gè)輪廓上的所有點(diǎn)的曲率(可參考百度百科一曲率http://baike.baidu.com/link?url=w8FaA.TGaDQsngI6VR9K8YdY6313I2rx61iBxvlfdGIffcp8z7Pr0r7BscmIqpqge3)，并找出所有的曲率極值點(diǎn)，如圖6中輪廓上的黑色圓點(diǎn)所示。
[0074]3)為骨架中的每個(gè)關(guān)鍵點(diǎn)P (如圖7中邊緣輪廓內(nèi)部的小圓點(diǎn)所示)劃分一個(gè)半徑為DisT的圓形區(qū)域R。
[0075]4) DisT的值等于點(diǎn)P到最近d個(gè)輪廓點(diǎn)的平均距離，d為在關(guān)鍵點(diǎn)P在圖像5中的八鄰域中的黑色像素點(diǎn)個(gè)數(shù)。這些值都可以通過算法自動(dòng)計(jì)算得到，不需要預(yù)先設(shè)定。
[0076]5)在區(qū)域R內(nèi)的極值點(diǎn)被選為角點(diǎn)(如圖7中邊緣輪廓上的大圓點(diǎn)所示),剩下的極值點(diǎn)作為連接點(diǎn)。
[0077]6)對于角點(diǎn)和連接點(diǎn)組成的曲率極值點(diǎn)，使用加權(quán)的動(dòng)態(tài)規(guī)劃算法，根據(jù)參數(shù)篩選出最優(yōu)的輪廓分割點(diǎn)。
[0078]7)最優(yōu)的輪廓分割點(diǎn)將輪廓?jiǎng)澐譃槿舾奢喞?，每個(gè)輪廓段都有兩個(gè)端點(diǎn)，使用加權(quán)的動(dòng)態(tài)規(guī)劃算法將輪廓段擬合為貝塞爾曲線。
[0079]8)如果輪廓段的兩個(gè)端點(diǎn)都是連接點(diǎn)的話，誤差閾值Tl ;否則，誤差閾值T2。且Τ1Χ2，這就保證了，在角點(diǎn)的周圍，算法會(huì)自動(dòng)的保持更多的輪廓細(xì)節(jié)特征。
[0080]最優(yōu)的輪廓分割點(diǎn)的篩選及曲線擬合具體包括以下步驟:
[0081](a)曲率極值點(diǎn)將輪廓?jiǎng)澐譃槿舾奢喞?，每個(gè)輪廓段都有兩個(gè)端點(diǎn)，枚舉任意兩個(gè)輪廓分割點(diǎn)作為輪廓段的端點(diǎn)p[i]，p[j]，使用最小二乘法將輪廓段擬合為貝塞爾曲線，并記錄該輪廓段的最大擬合誤差。如果該輪廓段的最大擬合誤差小于閾值T，則可以使用一條貝塞爾曲線對這段輪廓進(jìn)行擬合，p[i+l]到P[j-1]的曲率極值點(diǎn)都可以被刪除；否則不能刪除任何曲率極值點(diǎn)。該過程由動(dòng)態(tài)規(guī)劃算法實(shí)現(xiàn)，算法的主要流程如下: [0082]I給定η個(gè)曲率極值點(diǎn)P[l]…P [η]，這些點(diǎn)沿圖像輪廓呈順時(shí)針排列；
[0083]2dp[i] [j]記錄極值點(diǎn)P[i], P[j]所確定的輪廓段擬合時(shí)所需的曲線個(gè)數(shù)；
[0084]3初始化dp數(shù)組:枚舉任意兩個(gè)分割點(diǎn)P [i]，P [j]
[0085]fori=lton:
[0086]for j=i+lton:
[0087]對P[i]，P[j]確定的輪廓段進(jìn)行曲線擬合，記錄其最大擬合誤差為M ;
[0088]如果P [i]和P [j]都是連接點(diǎn)且M〈T1，則dp [i] [ j] =1 ；
[0089]否則，如果M〈T2，則 dp[i] [j]=l ；
[0090]否則，dp[i][j]=j_i。
[0091]End
[0092]end
[0093]4動(dòng)態(tài)規(guī)劃過程偽代碼:
[0094]forIen=Iton:
[0095]fori=lton:
[0096]j= (i+len) %n
[0097]fork=i+ltoj -1:
[0098]dp[i] [j]=min(dp[i] [j], dp[i] [k]+dp[k] [j])；
[0099]end
[0100]end
[0101]end
[0102](b)如果輪廓段的兩個(gè)端點(diǎn)都是連接點(diǎn)的話，誤差閾值為Tl ;否則，誤差閾值為T2。且Τ1ΧT2，誤差閾值越大，被刪除的曲率極值點(diǎn)越多，輪廓的細(xì)節(jié)就被保留的越少。這就保證了，在角點(diǎn)的周圍，算法會(huì)自動(dòng)的保持更多的輪廓細(xì)節(jié)特征。
[0103]圖8是本發(fā)明所述的矢量化結(jié)果示意圖。與輸入的文字圖像原圖(圖3)相比，本系統(tǒng)的矢量化結(jié)果很好的保持了原字的特征，并且去除了輪廓上的細(xì)小噪聲。
【權(quán)利要求】
1.一種基于骨架指導(dǎo)的文字圖像矢量化的方法，其步驟包括: 1)對單個(gè)文字圖像進(jìn)行預(yù)處理，包括文字圖像的二值化、文字筆畫的連接和文字邊緣的平滑； 2)獲取預(yù)處理后單個(gè)文字圖像的骨架信息，所述骨架信息包括骨架、骨架點(diǎn)以及骨架上的關(guān)鍵點(diǎn)； 3)提取出文字圖像的邊緣輪廓，并找出邊緣輪廓上的曲率極值點(diǎn)，然后根據(jù)骨架上的關(guān)鍵點(diǎn)將曲率極值點(diǎn)劃分為:角點(diǎn)和連接點(diǎn)； 4)從上述角點(diǎn)和連接點(diǎn)中篩選出最優(yōu)的輪廓分割點(diǎn)，所述最優(yōu)的輪廓分割點(diǎn)將文字圖像的邊緣輪廓?jiǎng)澐譃槿舾奢喞危總€(gè)單獨(dú)的輪廓段都使用一條貝塞爾曲線進(jìn)行曲線擬合，同時(shí)使曲線擬合過程中連接點(diǎn)處的曲率連續(xù)，最終得到矢量化的文字輪廓。
2.如權(quán)利要求1所述的基于骨架指導(dǎo)的文字圖像矢量化的方法，其特征在于，所述對單個(gè)文字圖像進(jìn)行預(yù)處理，包括以下幾個(gè)步驟: 1)圖像二值化； 2)使用數(shù)學(xué)形態(tài)學(xué)中的膨脹算法，對圖像進(jìn)行膨脹操作，連接斷裂的筆畫； 3)使用各項(xiàng)異性擴(kuò)散算法，平滑文字輪廓； 4)使用形態(tài)學(xué)中的腐蝕算法，對圖像進(jìn)行腐蝕操作，消除由于膨脹算法引起的筆畫寬度變化影響； 5)使用各項(xiàng)異性擴(kuò)散算法，進(jìn)一步的平滑文字輪廓。
3.如權(quán)利要求1所述的基于骨架指導(dǎo)的文字圖像矢量化的方法，其特征在于，通過骨架增長算法獲取預(yù)處理后單個(gè)文字圖像的骨架及骨架點(diǎn)，然后使用關(guān)鍵點(diǎn)檢測算法得到骨架上的關(guān)鍵點(diǎn)。
4.如權(quán)利要求1所述的基于骨架指導(dǎo)的文字圖像矢量化的方法，其特征在于，使用邊緣檢測算法提取出文字圖像的邊緣輪廓及邊緣輪廓上的輪廓點(diǎn)，從所述輪廓點(diǎn)中找出邊緣輪廓中的曲率極值點(diǎn)。
5.如權(quán)利要求4所述的基于骨架指導(dǎo)的文字圖像矢量化的方法，其特征在于，所述曲率極值點(diǎn)劃分，具體包括以下步驟: 1)得到文字圖像的骨架和骨架上的關(guān)鍵點(diǎn)之后，在文字圖像的邊緣輪廓中，為骨架中的每個(gè)關(guān)鍵點(diǎn)P劃分一個(gè)半徑為DisT的圓形區(qū)域R ； 2)DisT的值等于關(guān)鍵點(diǎn)P到最近d個(gè)輪廓點(diǎn)的平均距離，d為在關(guān)鍵點(diǎn)P的八鄰域中的骨架點(diǎn)的個(gè)數(shù)； 3)在區(qū)域R內(nèi)的曲率極值點(diǎn)被選為角點(diǎn)，剩下的曲率極值點(diǎn)作為連接點(diǎn)。
6.如權(quán)利要求1所述的基于骨架指導(dǎo)的文字圖像矢量化的方法，其特征在于，使用加權(quán)的動(dòng)態(tài)規(guī)劃算法對曲率極值點(diǎn)進(jìn)行篩選，得到最優(yōu)的輪廓分割點(diǎn)。
7.如權(quán)利要求6所述的基于骨架指導(dǎo)的文字圖像矢量化的方法，其特征在于，使用加權(quán)的動(dòng)態(tài)規(guī)劃算法對曲率極值點(diǎn)進(jìn)行篩選，具體包括以下步驟: 枚舉任意兩個(gè)曲率極值點(diǎn)作為輪廓段的端點(diǎn)P[i]，P[j]，對輪廓段進(jìn)行曲線擬合，并記錄該輪廓段的最大擬合誤差；如果該最大擬合誤差小于閾值T，則可以使用一條貝塞爾曲線對這段輪廓進(jìn)行擬合，P[i+Ι]到P[j-1]的曲率極值點(diǎn)都會(huì)被刪除；否則不能刪除任何曲率極值點(diǎn)；動(dòng)態(tài)規(guī)劃算法結(jié)束后，剩下的曲率極值點(diǎn)就作為最優(yōu)的輪廓分割點(diǎn)。
8.如權(quán)利要求7所述的基于骨架指導(dǎo)的文字圖像矢量化的方法，其特征在于，如果輪廓段的兩個(gè)端點(diǎn)都是連接點(diǎn)的話，誤差閾值為Tl ;否則，誤差閾值為T2，且Τ1ΧT2，誤差閾值越大，被刪除的曲率極值點(diǎn)越多，輪廓的細(xì)節(jié)就被保留的越少。
9.如權(quán)利要求1所述的基于骨架指導(dǎo)的文字圖像矢量化的方法，其特征在于，所述曲線擬合包括以下步驟: 1)使用最小二乘法計(jì)算貝塞爾曲線的控制點(diǎn)位置； 2)若擬合的平均誤差大于一個(gè)給定的閾值T3，則使用牛頓迭代法進(jìn)行優(yōu)化； 3)擬合的過程中，保證連接點(diǎn)處的曲率連續(xù)。
10.一種基于骨架指導(dǎo)的文字圖像矢量化系統(tǒng)，包括: 預(yù)處理模塊，用于對文字圖像進(jìn)行預(yù)處理； 骨架生成模塊，用于生成文字圖像骨架； 分類模塊，用于根據(jù)提取到的文字圖像的邊緣輪廓，將邊緣輪廓的曲率極值點(diǎn)劃分為角點(diǎn)和連接點(diǎn)； 篩選模塊，用于從曲率極值點(diǎn)中篩選出最優(yōu)的輪廓分割點(diǎn)； 曲線擬合模塊，用于將最優(yōu)的輪廓分割點(diǎn)劃分出的輪廓段擬合為貝塞爾曲線。
【文檔編號】G06K9/40GK103942552SQ201410047304
【公開日】2014年7月23日 申請日期:2014年2月11日 優(yōu)先權(quán)日:2014年2月11日
【發(fā)明者】潘婉瓊, 連宙輝, 唐英敏, 肖建國 申請人:北京大學(xué)